2. MTTR 基础概念：定义、组成部分与可靠性关系
在可观测性与 SRE 实践中，MTTR（Mean Time to Repair，平均修复时间）是衡量故障恢复速度的核心指标。它直接决定了故障对用户的影响时长，也是评估团队应急响应效率的关键依据。本章将深入解析 MTTR 的定义、三个核心组成部分，以及它与系统可靠性的内在联系。
2.1 MTTR 的定义
MTTR 是指从系统发生故障到完全恢复正常服务所经历的平均时间。它涵盖了从故障发生到最终修复的全过程，而不仅仅是“动手修复”的时间。在 SRE 语境下，MTTR 通常以分钟或小时为单位，数值越低，代表系统的恢复能力越强。
关键公式：
MTTR = 总故障修复时间 / 故障次数例如：一个月内发生 4 次故障，总修复时间为 120 分钟，则 MTTR = 120 / 4 = 30 分钟。
2.2 MTTR 的三大组成部分
MTTR 并非单一阶段，而是由三个连续的子阶段构成。每个阶段都对应着不同的可观测性能力与工具支持。理解这三个组成部分，是缩短 MTTR 的第一步。
| 组成部分 | 定义 | 典型耗时占比 | 可观测性关键能力 |
|---|---|---|---|
| MTTD （平均检测时间） |
从故障发生到被监控系统或人员发现的时间 | 约 20% | 实时告警、指标异常检测、日志关键词匹配 |
| MTTI （平均诊断时间） |
从发现故障到定位根因的时间 | 约 60% | 分布式追踪、关联分析、Golden Signals 仪表盘 |
| MTTF （平均修复时间） |
从定位根因到服务完全恢复的时间 | 约 20% | 自动化运维、回滚机制、基础设施即代码 |
实践要点：诊断阶段（MTTI）通常占据 MTTR 的 60% 以上，是缩短 MTTR 的最大突破口。Golden Signals 的核心价值就在于大幅压缩 MTTI。
2.3 MTTR 组成部分的流程关系
下图展示了 MTTR 三个组成部分在故障生命周期中的串联关系，以及每个阶段对应的典型可观测性工具。
2.4 MTTR 与系统可靠性的关系
MTTR 是计算系统可用性（Availability）的关键输入参数。在 SRE 中，可用性通常用以下公式表示：
可用性（A）= MTBF / (MTBF + MTTR) × 100%- MTBF（Mean Time Between Failures，平均故障间隔时间）：衡量系统稳定性的指标，值越大越好。
- MTTR（Mean Time to Repair，平均修复时间）：衡量系统恢复速度的指标，值越小越好。
从公式可以看出：即使 MTBF 很高（系统很稳定），如果 MTTR 过长，可用性依然会显著下降。反之，在 MTBF 固定的情况下，降低 MTTR 是提升可用性最直接的手段。
常见误区：许多团队只关注 MTBF（系统不出故障），而忽视了 MTTR（故障后恢复得快不快）。在微服务和分布式架构中，故障是常态，快速恢复比避免故障更具现实意义。Golden Signals 正是为了在故障发生时，将 MTTI（诊断时间）压缩到极致。
2.5 MTTR 与 SLA/SLO 的关联
在 SRE 实践中，MTTR 直接影响 SLO（服务等级目标）的达成。例如：
| SLO 目标 | MTBF | MTTR | 可用性 | 评估结果 |
|---|---|---|---|---|
| 99.9%（3个9） | 720 小时（30天） | 0.72 小时（43分钟） | 99.9% | 达标 |
| 99.9%（3个9） | 720 小时（30天） | 2 小时 | 99.72% | 未达标 |
| 99.99%（4个9） | 720 小时（30天） | 0.072 小时（4.3分钟） | 99.99% | 达标 |
上表清晰表明：要达成更高的 SLO，不仅需要提升 MTBF（减少故障次数），更需要大幅降低 MTTR（加快恢复速度）。对于 4 个 9 的目标，MTTR 必须控制在 5 分钟以内，这对检测和诊断速度提出了极高要求。
2.6 缩短 MTTR 的通用策略
- 提升检测速度（缩短 MTTD）：部署实时监控、配置合理的告警阈值、使用多维度指标（Golden Signals）覆盖。
- 加速诊断过程（缩短 MTTI）：建立分布式追踪系统、构建关联分析仪表盘、维护故障排查 Runbook。
- 优化修复流程（缩短 MTTF）：实施自动化回滚、基础设施即代码、灰度发布与快速恢复机制。
核心结论：MTTR 是衡量 SRE 团队“救火”能力的关键指标。通过 Golden Signals 的可观测性体系，团队可以将诊断时间（MTTI）从小时级压缩到分钟级，从而显著降低整体 MTTR，提升系统可用性与用户满意度。